트랜스포머 기반 동적 하이브리드 필터링과 위치 추정을 통한 UWB 측위 개선 = Transformer-based Dynamic Hybrid Filtering and Position Estimation for Enhanced UWB Localization

국문 초록 (Abstract)

본 논문은 UWB(Ultra-Wideband) 기반 실내 위치 추정(Indoor Positioning System, IPS)에서 발생하는 NLOS(Non-Line of Sight) 문제와 다양한 노이즈 조건을 효과적으로 극복하기 위한 새로운 엔드투엔드 접근법을 제안한다. 기존 UWB 기반 IPS에서는 반사, 굴절 등으로 인한 신호 왜곡이 누적되어 오차가 증가하며, 특히 NLOS 환경에서 정확한 위치 추정이 어렵다는 한계가 존재한다. 이를 해결하기 위해 본 연구는 두 가지 핵심 요소를 결합한다: (1) 다양한 필터(KF, EKF, UKF, AKF, PF 등)를 하나의 풀(Pool)로 관리하고, 환경 변화에 따라 최적 필터를 실시간으로 선택하는 동적 하이브리드 필터링 프레임워크, (2) Transformer 기반 위치 추정 모델을 통한 복잡한 시계열 패턴 분석 및 안정적 위치 추정 수행이다.
전통적으로 실내 위치 추정에서는 특정 필터를 고정적으로 적용하거나 휴리스틱한 규칙에 따라 필터를 결정하는 방식이 주류를 이루었다. 그러나 이러한 접근법은 모든 상황에 대응하기 어렵고, NLOS 환경이나 다중 경로 반사 문제가 두드러지는 상황에서 성능 저하가 불가피하다. 반면 본 연구에서는 Transformer 아키텍처의 뛰어난 시계열 패턴 분석 능력을 활용하여 필터 선택을 데이터 기반 분류 문제로 재정의한다. 즉, Dynamic Hybrid Filtering Transformer를 통해 이전 시점의 추정 오차, TDOA(Time Difference of Arrival) 측정값 특성, IMU(가속도) 데이터 등을 분석하여, 현재 시점에 가장 적합한 필터를 선택함으로써 오차를 최소화한다.
이와 함께 시계열 데이터 처리에 특화된 Transformer 기반 위치 추정 모델을 적용하여, 단순히 순간값에 의존하지 않고 장기 의존성(Long-range dependency)을 학습한다. 이를 통해 NLOS 환경에서도 안정적으로 낮은 오차를 유지하며, Positional Encoding과 Time Series Adapter 모듈을 통해 시계열 특성을 강화함으로써 예측 정확도를 더욱 향상시킨다. 이런 방식은 각 시점의 노이즈 패턴, 다중 경로 반사 특성 등을 깊이 있게 파악하고, 필터를 동적으로 교체하여 최적의 결과를 도출할 수 있게 한다.
본 논문은 UTIL, Pfeiffer 공개 데이터셋을 활용하여 제안된 방법론의 성능을 검증하였으며, Baseline 대비 Basic Transformer 적용만으로도 유의미한 오차 감소가 확인되었다. 또한 개별 필터를 적용한 경우와 비교했을 때, 동적 하이브리드 필터링 전략을 도입하면 상황별 최적 필터를 선택함으로써 RMSE, MAE 등 위치 추정 오차 지표를 상당 폭 줄일 수 있음을 입증하였다. 나아가 Pfeiffer 데이터셋에서 일반화 성능을 검증함으로써 본 모델이 특정 환경에 과적합되지 않고 다양한 실내 환경 변화에도 유연하게 대응할 수 있는 가능성을 확인하였다.
본 연구의 기여점은 다음과 같다. 첫째, 필터 선택 문제를 Transformer 기반 데이터 주도적 접근으로 재정의하여, 정적인 필터 적용 방식의 한계를 극복했다. 둘째, Transformer 아키텍처를 통해 NLOS 환경에서의 비선형적 신호 패턴을 모델링함으로써, 뛰어난 강건성과 정확도를 확보했다. 셋째, 다양한 데이터셋을 통한 검증을 바탕으로 제안 프레임워크가 센티미터 단위 정확도가 요구되는 실내 위치 추적 문제에서 실용적인 솔루션이 될 수 있음을 제시했다.
향후 연구에서는 데이터셋 다양화, 모델 경량화, 온라인 학습 및 도메인 적응 기법 도입, 멀티센서 융합 등을 통해 제안된 프레임워크의 활용 범위를 넓히고 실시간성 및 설명 가능성을 강화할 수 있다. 이를 통해 스마트팩토리, 물류, 의료 시설, 로봇 공장 자동화 등 다양한 응용 분야에서 높은 정확도와 안정성을 갖춘 실내 위치 추정 서비스를 제공하는 핵심 기술로 발전시킬 수 있을 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

This paper proposes a novel end-to-end approach to effectively address the Non-Line of Sight(NLOS) and noise-related challenges that arise in Ultra-Wideband(UWB) based Indoor Positioning Systems(IPS). While UWB theoretically offers centimeter-level precision, the presence of reflections, refractions, and complex indoor environments often leads to substantial inaccuracies, especially under NLOS conditions. To overcome these limitations, we combine two core strategies: (1) a dynamic hybrid filtering framework that manages a pool of diverse filters(KF, EKF, UKF, AKF, PF, etc.) and selects the most suitable filter in real-time according to environmental changes, and (2) a Transformer-based positioning model that exploits time-series pattern analysis for stable, accurate location estimation.
Traditional IPS approaches often rely on a fixed filter or heuristic rules for filter selection, resulting in performance degradation under certain conditions. For instance, while Kalman-based filters may perform well in line-of-sight scenarios, they can falter in complex NLOS environments that demand more robust or nonlinear filtering strategies. In contrast, our research reframes filter selection as a data-driven classification problem solvable by a Dynamic Hybrid Filtering Transformer. This Transformer learns from previous estimation errors, TDOA (Time Difference of Arrival) characteristics, IMU data, and other environmental cues to predict, at each time step, which filter will minimize the current positioning error.
Simultaneously, we employ a Transformer-based positioning model that takes advantage of multi-head attention, positional encoding, and a Time Series Adapter module to thoroughly capture long-range dependencies and complex temporal patterns in UWB signals. By integrating both these elements, we achieve robust performance even in environments plagued by NLOS effects and multipath reflections. Our approach reduces not only average errors but also improves system stability, ensuring that the model adapts rapidly to different patterns of noise and signal distortion.
This paper verified the performance of the proposed methodology using the UTIL and Pfeiffer open datasets, and a significant error reduction was confirmed by applying the Basic Transformer alone compared to the Baseline. In addition, when compared to the case of applying individual filters, it was demonstrated that the introduction of a dynamic hybrid filtering strategy can significantly reduce RMSE, MAE, and other location estimation error indicators by selecting the optimal filter for each situation. Furthermore, by verifying the generalization performance on the Pfeiffer dataset, we confirmed the possibility that this model can flexibly respond to various indoor environment changes without overfitting to a specific environment.
The key contributions of this study are as follows. First, we introduce a data-driven, Transformer-based method for optimal filter selection, surpassing the limitations of static or rule-based approaches. Second, we demonstrate that the Transformer’s time-series modeling capacity enables consistent accuracy and robustness, even under NLOS-induced nonlinearities and fluctuations. Third, we confirm these improvements through extensive validation on multiple datasets, reinforcing that the proposed framework is a versatile and practical solution for indoor localization tasks demanding high precision.
In terms of future work, several avenues remain open. We can enhance generalization and adaptability by incorporating additional datasets and environments, explore model compression and optimization techniques for real-time or low-power devices, and consider online learning or domain adaptation strategies for continuous improvement. Furthermore, we may integrate other sensors (e.g., LiDAR, Wi-Fi, BLE) to enrich the data fusion capability of the model, thereby expanding its applicability to various industrial, logistics, healthcare, and navigation scenarios. Through these refinements, we aim to develop a robust, efficient, and widely applicable IPS solution that meets the stringent accuracy and reliability requirements of next-generation indoor positioning services.

목차 (Table of Contents)

• 제 1장 서론 1
• 1.1 연구배경 1
• 1.2 문제정의 2
• 1.3 연구목표 4
• 1.4 논문의기여 5
• 1.5 논문구조 7
• 제 2장 연구의이론적배경 9
• 2.1 UWB 9
• 2.1.1 UWB의기본개념 10
• 2.1.2 UWB의주요특성및장점 12
• 2.1.3 UWB와다른무선통신기술의비교 14
• 2.1.4 UWB기반위치추정시스템 16
• 2.2 Transformer모델 23
• 2.2.1 Transformer의작동원리 23
• 2.2.2 Encoder 25
• 2.2.3 Decoder 26
• 2.2.4 Feed Forward Network 27
• 2.2.5 Positional Encoding 28
• 2.2.6 Adapter 30
• 2.2.7 Transformer와시계열데이터 31
• 2.3 필터링기법 32
• 2.3.1 Kalman Filter 32
• 2.3.2 Extended Kalman Filter 34
• 2.3.3 Adaptive Kalman Filter 36
• 2.3.4 Unscented Kalman Filter 38
• 2.3.5 Particle Filter 40
• 제 3장 관련연구 43
• 3.1 전통적접근법 43
• 3.1.1 필터기반접근법 43
• 3.1.2 알고리즘기반접근법 46
• 3.2 AI및하이브리드접근법 47
• 3.2.1 AI기반접근법 47
• 3.2.2 하이브리드접근법:다중기술및센서융합 50
• 제 4장 제안된방법론 52
• 4.1 전체프레임워크개요 52
• 4.2 Dynamic Hybrid Filtering Transformer프레임워크 54
• 4.2.1 필터통합개념 55
• 4.2.2 Dynamic Hybrid Filtering Transformer 56
• 4.2.3 Hyperparameter최적화 58
• 4.3 Position Estimation Transformer 59
• 4.3.1 Positional Encoding 60
• 4.3.2 Time Series Adapter Module 61
• 4.3.3 Feed Forward Network와 Transformer Model구조 62
• 4.3.4 Hyperparameter최적화 63
• 4.4 UWB기반 End-to-End실내위치추정시스템 63
• 4.4.1 데이터전처리및보정 64
• 4.4.2 동적필터링메커니즘과위치추정모델의결합 64
• 4.4.3 End-to-End알고리즘 65
• 제 5장 실험 67
• 5.1 실험설계 67
• 5.1.1 시뮬레이션환경및매개변수 67
• 5.1.2 평가지표 68
• 5.2 데이터셋설명 69
• 5.2.1 오픈소스데이터셋 69
• 5.3 구현세부사항 71
• 5.3.1 모델학습및평가 71
• 5.3.2 분산학습설정 71
• 5.3.3 하이퍼파라미터튜닝 72
• 제 6장 실험결과 73
• 6.1 시나리오별성능평가 73
• 6.1.1 위치추정성능비교 RMSE 75
• 6.1.2 위치추정성능비교 MAE 76
• 6.1.3 위치추정성능비교 Tracjectory Comprison 2D 77
• 6.1.4 위치추정성능비교 Tracjectory Comprison 3D 78
• 6.1.5 위치추정성능비교 Error Over Time 79
• 6.1.6 위치추정성능비교 Error Distribution 80
• 6.1.7 위치추정성능비교 CDF of Postion Error 81
• 6.1.8 위치추정성능비교 Axial Error Distribution 82
• 6.1.9 필터선택성능결과 Classwise Metrics 83
• 6.1.10 필터선택성능결과 Confusion Matrix 84
• 6.1.11 Baseline성능 85
• 6.1.12 Basic Transformer 85
• 6.1.13 Basic Transformer with Individual Filters 85
• 6.1.14 Improved Transformer 85
• 6.1.15 Suggested Transformers framework (DHFT + PET) 86
• 6.2 일반화성능평가 86
• 제 7장 논의 88
• 7.1 결과해석 88
• 7.2 성능향상요인분석 89
• 7.3 한계점 91
• 7.4 향후개선방안 93
• 제 8장 결론 96
• 8.1 연구결과요약 96
• 8.2 연구기여 97
• 8.3 핵심결과 98
• 참고문헌 100